樸素貝葉斯分類器就是根據貝葉斯公式計算結果進行分類的模型，“樸素”指事件之間相互獨立無影響. 例 如：有如下數據集：
| Text???????? | Category |
| A great game（一個偉大的比賽） | Sports（體育運動） |
| The election was over（選舉結束 | Not sports（不是體育運動) |
| Very clean match（沒內幕的比賽) | Sports（體育運動） |
| A clean but forgettable game（一場難以忘記的比賽） | Sports（體育運動） |
| It was a close election（這是一場勢均力敵的選舉） | Not sports（不是體育運動） |
求：“A very close game” 是體育運動的概率？數學上表示為 P(Sports | a very close game). 根據貝葉斯 定理，是運動的概率可以表示為：
不是運動概率可以表示為：
概率更大者即為分類結果. 由于分母相同，即比較分子誰更大即可.
我們只需統計”A very close game“ 多 少次出現在Sports類別中，就可以計算出上述兩個概率. 但是”A very close game“ 并沒有出現在數據集 中，所以這個概率為0，要解決這個問題，就假設每個句子的單詞出現都與其它單詞無關（事件獨立即樸 素的含義），所以，P(a very close game)可以寫成
統計出“a", "very", "close", "game"出現在"Sports"類別中的概率，就能算出其所屬的類別. 具體計算過程 如下：
????????第一步：計算總詞頻：Sports類別詞語總數11，Not Sports類別詞語總數9，詞語總數14(去重之后的單詞數量)
????????第二步：計算每個類別的先驗概率
# Sports和Not Sports概率
P(Sports) = 3 / 5 = 0.6
P(Not Sports) = 2 / 5 = 0.4
# Sports條件下各個詞語概率
P(a | Sports) = (2 + 1) / (11 + 14) = 0.12
P(very | Sports) = (1 + 1) / (11 + 14) = 0.08
P(close | Sports) = (0 + 1) / (11 + 14) = 0.04
P(game | Sports) = (2 + 1) / (11 + 14) = 0.12
# Not Sports條件下各個詞語概率
P(a | Not Sports) = (1 + 1) / (9 + 14) = 0.087
P(very | Not Sports) = (0 + 1) / (9 + 14) = 0.043
P(close | Not Sports) = (1 + 1) / (9 + 14) = ?= 0.087
P(game | Not Sports) = (0 + 1) / (9 + 14) = 0.043
其中，分子部分加1，是為了避免分子為0的情況；分母部分都加了詞語總數14，是為了避免分子增 大的情況下計算結果超過1的可能.
第三步：將先驗概率帶入貝葉斯定理，計算概率： 是體育運動的概率：
不是體育運動的概率：
分類結果：P(Sports) = 0.000027648 , P(Not Sports) = 0.0000055984， 是體育運動
